图像识别和机器视觉区别,比较两幅图像的相似度
C++图片处理问题（高分50） 50
。
第一个问题很麻烦，因为一个BMP图包含的信息部仅仅是每个点的数据，还有很多bitmap格式信息，解决方法：首先你要确定你用什么环境，vc++6.0,2003,2005可用的办法不一样然后，去网上搜一段写好了的函数或类来解决这个问题，他的实现方法如果你对bmp格式文件存储没有兴趣的话大可以不必关心，与图像处理没有关系。
然后是太阳的问题：这个问题可以简单可以复杂，如果简单处理的话，选择一个阈值，对矩阵中的每个点与该值比较，符合的就被认为是太阳，否则不是，推荐在HSI空间内做，不要在RGB空间做，这样简单一些。
但问题是，要求被处理的图片的的情况类似，否则固定阈值就不能很好的区分。如果画面中只有太阳，可以考虑首先提取圆形区域出来，然后处理。如果画面中，太阳和其他区域的亮度区间比较集中，可以考虑用直方图处理。
……越说越复杂了，这个可以考虑参考机器视觉方面的书（注意不是图像处理，那些书主要讲滤镜的）
谷歌人工智能写作项目：神经网络伪原创
机器视觉检测主要是什么原理？
机器视觉的缺陷检测原理是基于对人眼检测的模拟，用简单的归纳思维来进行识别文案狗。正如生活中医生对病人进行诊断，就是一个典型的归纳分类的行为。
从最古老的望闻问切，到现在的B超，CT等现代化设备仪器，没有哪一个医生能够单纯靠肉眼就能直接判断病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这个时候，医生所使用的就是一种归纳分类的思路，病人的单一症状的分类与复合症状的精确分类。
机器视觉缺陷检测系统采用C摄像设备将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的分类特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/不合格、有/无等，实现自动识别功能。
由于有了图像处理还有计算机等等自动化设备的帮忙，机器视觉其实是远远超过人类的极限的，所以它的优势也十分明显，包括高效率、高精度、高自动化，以及能够很好适应比较差的环境。
所以在一些不适合人工作业的危险的工作环境，或者是我们人类视觉很难满足要求的场合，机器视觉是可以用来代替人工视觉的。在这种检测、测量、识别和定位等功能上，机器视觉更是能够更好地胜任。
除了以上这些，它还能够提高生产效率以及自动化的程度，实现信息集成，所以在工业领域应用很广泛，是智能制造很重要的基础。
如何比较SIFT，SURF，Harris-SIFT图像匹配算法性能
。
SIFT匹配（Scale-invariantfeaturetransform，尺度不变特征转换）是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由DavidLowe在1999年所发表，2004年完善总结。
其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。
局部影像特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。
基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。
使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。
SIFT特征的信息量大，适合在海量数据库中快速准确匹配。2、SIFT特征的主要特点从理论上说，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。
然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。
如：在多尺度空间采用DOG算子检测关键点，相比传统的基于LOG算子的检测方法，运算速度大大加快；关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性；在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力；
急急急！！！基于OPENCV 的机器视觉：利用OPENCV实现图片边缘检测并求两条线间的距离。
你读取每一行的像素值，黑色的像素值为0，白色的为255，从左向右读取，当前一个像素为0，后一个像素为255时，则找到边界，继续读取，当找到前一个像素为255，后一个像素为0时，则找到右边界。
每一行都按着这个过程，把左右边界的点分别存储，有了点根据两点确定一条直线可以得到两条白色斜线。最下面一行的白色左边缘点与右边缘点的差值即为间距。
机器视觉是用什么软件开发的
你可以用VISUALSTUDIO和JAVA的开发工具。
目前可以开发机器视觉的相关计算机语言有C++,C#,JAVA,PYTHON等,甚至简单的PHP和JAVASCRIPT也可以开发相关的功能。
机器视觉需要用到图像处理库，有很多免费且开源的第三方图像库可以用，如十分著名的OpenCV，有C++，JAVA,PYTHON的版本，它包含了很多现成的函数，可以处理图像的形状，颜色，大小，图像文件保存，找相似图像，物体边缘（Cannyedge）算法。
。。机器视觉的另一个方向是神经网络深度学习算法。这里面有代表性的是谷歌的TensorFlow，具有很强大的机器视觉能力。文字识别方面的代表有谷歌的Tesseract，这也是开源项目。
如何用机器视觉检测两个圆形齿轮齿合过程中接触，判断接触的形状、大小、位置
将两个啮合的齿轮分别涂上深色和浅色（例如深灰和白），用黑白相机配合同轴光拍摄，看到的图像中两个齿轮是两个灰度不同的图块，在齿轮交界处如果有缝隙由于没有反光会留下黑色缝隙图案。
采用灰度算法将灰度边界识别出来可以分析齿轮的接合情况。为了清楚反应齿间缝隙图案，也可在齿轮另外一侧放置黑色吸光材料作为背景。如果希望精确测量齿轮边缘，建议使用远心镜头。